Question

我正在尝试在Keras中创建一个自定义层，该层将执行模糊运算，而不是卷积中的求和与积。

我已经在一个单独的项目上进行了卷积运算，代码如下：

activation_map = np.random.random((img_x - kern_x + 1, img_y - kern_y + 1))

for i in range(activation_map.shape[0]):
    for j in range(activation_map.shape[1]):
        activation_map[i][j] = t_conorm(weighting(scaled_matrix[i:i+kern_x,j:j+kern_y],kern))

print(activation_map)

在这里，kern_x和kern_y是2D内核的尺寸。 img_x和img_y是输入图像的。我使用了28x28的图像和3x3的内核。图像和内核都是numpy数组。

如何在Keras中将其实现为自定义图层？我查看了Keras的文档，了解如何构建自定义图层，并且发现它很难理解。我需要内核是可训练的。

这是我到目前为止所做的：

class F_Conv2D(Layer):

    def __init__(self, output_dim, **kwargs):
        self.output_dim = output_dim
        super(F_Conv2D, self).__init__(**kwargs)

    def build(self, input_shape):
        # Create a trainable weight variable for this layer.
        self.kernel = self.add_weight(name='kernel', 
                                      shape=(3,3),
                                      initializer='uniform',
                                      trainable=True)
        super(F_Conv2D, self).build(input_shape)  # Be sure to call this at the end

    def call(self, x):
        # return K.dot(x, self.kernel)
        kern_x,kern_y = self.kernel.eval().shape
        img_x,img_y = x.eval().shape
        fuzzy_activation_map = np.random.random((img_x - kern_x + 1, img_y - kern_y + 1))

        for i in range(activation_map.shape[0]):
            for j in range(activation_map.shape[1]):
                fuzzy_activation_map[i][j] = t_conorm(weighting(scaled_matrix[i:i+kern_x,j:j+kern_y],kern))

        return fuzzy_activation_map



    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.output_dim)

如何在Keras中使用可训练的内核创建自定义卷积操作？

0 个答案: